Learning Analytics para una visión tipificada del aprendizaje de los estudiantesUn estudio de caso

  1. Mª Covadonga de la Iglesia Villasol 1
  1. 1 Universidad Complutense de Madrid
    info

    Universidad Complutense de Madrid

    Madrid, España

    ROR 02p0gd045

Revista:
Revista Iberoamericana de Educación

ISSN: 1681-5653,  1022-6508

Año de publicación: 2019

Título del ejemplar: Analítica del aprendizaje y la educación (Learning Analytics and education): clasificación, descripción y predicción del aprendizaje de los estudiantes

Volumen: 80

Número: 1

Páginas: 55-87

Tipo: Artículo

DOI: 10.35362/RIE8013444 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Revista Iberoamericana de Educación

Resumen

Los nuevos métodos de enseñanza-aprendizaje, con apoyo de los entornos virtuales, como extensión asincrónica de las aulas, han determinado que el docente asuma nuevos roles, algunos de los cuales pasan por aumentar su capacidad de observación y convertirse en analista del proceso de aprendizaje de los estudiantes, del uso que hacen de las plataformas digitales, su interrelación con ellas y entre sí, y de cómo adquieren conocimientos y desarrollan algunas competencias. Desde ésta óptica, el trabajo aborda una primera explotación de los usos y registros estadísticos, que a modo de huella digital, dejan los estudiantes en cursos presenciales en los espacios virtuales, y que definen tipologías y patrones diferenciados de aprendizaje según ritmos, aspecto éste que puede conllevar a una reflexión y reorientación del proceso de enseñanza-aprendizaje futuro. En concreto, el estudio de caso recoge resultados descriptivos de la interacción del uso que los estudiantes realizan de los recursos digitales con la evaluación continua y las calificaciones en la asignatura de Análisis Microeconómico Avanzado, del grado en Economía (GECO), UCM en el curso 2018-19, aportando un perfil de uso aún muy tradicional y polarizado, vinculada con mínimos desfases al cronograma de las actividades propuestas por el profesor.

Referencias bibliográficas

  • Citas Amo, D. y Santiago, R. (2017) Learning Analytics. La narración del aprendizaje a través de los datos. Barcelona: Editorial UOC.
  • Avila-Toscano, J. H., Hoyos, S. L., González, D. P., y Cabrales, A. (2011). Relación entre ansiedad ante los exámenes, tipos de pruebas y rendimiento académico en estudiantes universitarios. Psicogente, 14, 255–268.
  • Banihashem S. K., Aliabadi, K., Pourroostae, S., Delaver A, Nili Ahmadabadi, M. (2018). Learning Analytics: A Systematic Literature Review, Interdisciplinary Journal of Virtual Learning in Medical Science, 9(2). https://doi.org/10.5812/ijvlms.63024.
  • Bates, A.W. (T) (2015). Teaching in a Digital Age: Guidelines for designing teaching and learning for a digital age. University of British Columbia. Recuperado de https://bit.ly/2roovdc
  • Buckingham S., Ferguson, R. (2012). Social Learning Analytics. Educational Technology & Society, 15(3), 3–26. Recuperado de https://bit.ly/2Vja1NB.
  • Calzadilla, M. E. (2002). Aprendizaje colaborativo y tecnologías de la información y la comunicación. Revista Iberoamericana de Educación, 29(1), 1-10. Recuperado de https://bit.ly/2OmLjW1
  • Campbell, J. P. (2007). Utilizing Student Data within the Course Management System to Determine Undergraduate Student Academic Success: An Exploratory Study, PhD, Purdue University.
  • Cano, R. (2009). Tutoría universitaria y aprendizaje por competencias ¿Cómo lograrlo? Revista Electrónica Interuniversitaria de Formación del Profesorado, 12(1), 181-204. Recuperado de https://bit.ly/2YfvTHy
  • Díaz-Barriga, Á. (2011). Competencias en educación. Corrientes de pensamiento e implicaciones para el currículo y el trabajo en el aula. Revista Iberoamericana de Educación Superior, II(5), 3-24.
  • Ferrari, A. (2013) A Framework for Developing and Understanding Digital Competence in Europe. Institute for Prospective Technological Studies. Recuperado de https://bit.ly/23osQI7
  • Ferguson, R. (2012). Learning analytics: drivers, developments and challenges. International Journal of Technology Enhanced Learning, 4(5/6), 304–317.
  • Ferguson, R., Brasher A., Clow, D. y otros (2016). Research Evidence on the Use of Learning Analytics - Implications for Education Policy. R. Vuorikari, J. Castaño Muñoz (Eds.). Joint Research Centre Science for Policy Report; EUR 28294 EN; https://doi.org/10.2791/955210.
  • Ferguson, R. y Clow, D. (2017). Where is the evidence? A call to action for learning analytics. In: LAK ’17. Proceedings of the Seventh International Learning Analytics & Knowledge Conference, ACM International Conference Proceeding Series, pp. 56-65. New York, USA.
  • Florido, C., Jiménez, J. L., y Navarro, Y. (2019). Normas de permanencia y calendario de exámenes: ¿afectan al rendimiento académico universitario?, Cultura y Educación. https://doi.org/10.1080/11356405.2018.1564571
  • Garbanzo, G. M. (2007). Factores asociados al rendimiento académico en estudiantes universitarios, una reflexión desde la calidad de la educación superior pública. Revista Educación, 31(1), 43-63.
  • Guitert, M., Romeu, T. y Pérez, M. (2007). Competencias TIC y trabajo en equipo en entornos virtuales. RUSC. Universities and Knowledge Society Journal, 4(1). Recuperado de https://bit.ly/2H9OQFJ
  • Gutiérrez, A., Palacios, A. y Torrego, L. (2010). Tribus digitales en las aulas universitarias. Comunicar, 17(34), 173-181.
  • Harrison, C. y Killion, J. (2007). Ten roles for teachers leaders. Educational Leadership, 65(1), 74-77. Recuperado de https://bit.ly/2CbujQD
  • Herrero, R. (2014). El papel de las TIC en el aula universitaria para la formación en competencias del alumnado. Pixel-Bit. Revista de Medios y Educación, 45, 173-188. Recuperado de https://bit.ly/2vLp1oV
  • Ibarra, M. C., y Michalus, J. C. (2010). Análisis del rendimiento académico mediante un modelo logit. Ingeniería Industrial, 9(2), 47–56.
  • Iglesia, M. C. (2018). Aprendizaje Basado en un Proyecto Docente: Aprendizaje, creatividad, innovación y nuevos roles en la formación de profesorado en la era digital. Revista Complutense de Educación, 29(4), 1253-1278.
  • Iglesia, M. C. (2006). Varios retos y un único destino en la adaptación de los contenidos de la Teoría Económica al nuevo contexto de enseñanza aprendizaje. El campus virtual como herramienta de apoyo docente. Aplicaciones prácticas de la convergencia europea. Actas Jornadas nacionales de intercambio de experiencias piloto de implantación de metodologías ECTS.
  • Kaura, P., Singhb, M. y Josanc, G.S. (2015). Classification and prediction based data mining algorithms to predict slow learners in education sector. 3rd International Conference on Recent Trends in Computing (ICRTC-2015).
  • Leah P. M. y Dawson S., (2010). Mining LMS Data to Develop an ‘Early Warning System’ for Educators: A Proof of Concept, Computers & Education, 54(2), 588–599.
  • Lodge, J. M., y Corrin, L. (2017). What data and analytics can and do say about effective learning. Npj Science of Learning, 2(1).https://doi.org/10.1038/s41539-017-0006-5
  • Long, Ph. y Siemens, G. (2011). “Penetrating the Fog: Analytics in Learning and Education”. EDUCAUSE Review, 46(5), 30-40.
  • Lundberg,C. (2003). The influence oftime-limitations, faculty and peer relationships on adult student learning: A causal model. The Journal of Higher Education, 74, 665-688.
  • Martínez M. E., Arteaga B. y Pérez M. (2017). Description of an experience in university classroom teaching-learning: can the learning of statistics be improved through virtual forums? Conference: ICERI2017, 10th annual International Conference of Education, Research and Innovation. Recuperado de https://bit.ly/2VkUP36
  • Martín, M. A., Arranz, G., González, M. A., Páramo, R., Alarcia, E., Fernandoz, M. L., y González, M. L. (2003). Análisis del fracaso escolar y desarrollo de acciones de mejora. XI Congreso Universitario de Innovación Educativa en las Enseñanzas Técnicas, Barcelona.
  • Prensky, M. (2013). Enseñar a nativos digitales (1a. ed). México: SM Ediciones.
  • Romero, C., y Ventura, S. (2007). Educational data mining: A survey from 1995 to 2005. Expert Systems with Applications, 33(1), 135-146.
  • Romero, C., Ventura S., y García, E. (2008). Data mining in course management systems: Moodle case study and tutorial. Computers and Education, 51(1), 368-384.
  • Sampson, D. (2017). Teaching and learning analytics to support teacher inquiry. In 2017 IEEE Global Engineering Education Conference (EDUCON 2017), Apr 25, 2017, Athens, Greece.
  • Stewart, C. (2017). Learning Analytics: Shifting from theory to practice. Journal on Empowering Teaching Excellence, 1(1), 95-105. https://doi.org/10.15142/T3G63W.
  • Siemens G. (2013). Learning Analytics: The Emergence of a Discipline, American Behavioral Scientist. Vol 57(10), p.1380-1400, SAGE Publications. Recuperado de https://bit.ly/2Puq7P8
  • Siemens, G. y Baker, R. S. J. (2012). Learning analytics and educational data mining: towards communication and collaboration. In Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (LAK ‘12), Buckingham, Gasevic, and Ferguson (Eds.). ACM, New York, NY, USA, 252-254. https://doi.org/10.1145/2330601.2330661
  • Siemens, G., Dawson S., y Lynch G. (2013). Improving the Quality of Productivity of the Higher Education Sector: Policy and Strategy for Systems-Level Deployment of Learning Analytics, SoLAR. Recuperadode http://bit.ly/1KNZ9HH
  • Tejedor, F., y García-Valcárcel, A. (2007). Causas del bajo rendimiento del estudiante universitario (en opinión de los profesores y alumnos). Propuestas de mejora en el marco de EEES. Revista de Educación, 342, 443–473.
  • Vela-Pérez, M., Hernández-Estrada, A., Tirado-Domínguez, G. y otros (2017). Learning Analytics to classify students according to their activity in moodle. EDULEARN17 Proceedings, pp. 1166-1172. Barcelona.
  • Viñals, A. y Cuenca, J. (2016). El rol del docente en la era digital. Revista Interuniversitaria de Formación del Profesorado, 86(30.2), 103-114. Recuperado de https://bit.ly/2rq7wKK
Fuente de los datos: Dialnet